爬虫——Scrapy框架

• Scrapy是用纯Python实现的一个为了爬取网站数据、提取结构性数据而编写的应用框架，用途非常广泛。
• 框架的力量，用户只需要定制开发几个模块就可以轻松的实现一个爬虫，用来爬取网页内容以及各种图片，非常方便。
• Scrapy使用了Twisted异步网络框架来处理网络通讯，可以加快我们的下载速度，不用自己实现异步框架，并且包含了各种中间件接口，可以灵活的完成各种需求。

Scrapy架构图

• Scrapy Engine（引擎）：负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯，信号、数据传递等。
• Scheduler（调度器）：它负责接受引擎发送过来的Resquest请求，并按照一定的方式进行整理排列，入队，当引擎需要时，交还给引擎。
• Downloader（下载器）：负责下载Scrapy Engine（引擎）发送的所有Resquests请求，并将其获取到的Responses交还给Scrapy Engine（引擎），由引擎交给Spider来处理。
• Spider（爬虫）：它负责处理所有Responses，从中分析提取数据，获取Item字段需要的数据，并将需要跟进的URL提交给引擎，再次进入Scheduler（调度器）。
• Item Pipeline（管道）：它负责处理Spider中获取到的Item，并进行后期处理（详细分析、过滤、存储等）的地方。
• Downloader Middlewares（下载中间件）：你可以当作是一个可以自定义扩展下载功能的组件。
• Spider Middlewares（Spider中间件）：你可以理解为是一个可以自定扩展和操作引擎和Spider中间通信的功能组件（比如进入Spider的Responses和从Spider出去的Resquests）。

制作Scrapy爬虫一共需要4步：

• 新建项目（scrapy startproject 项目名）：新建一个新的爬虫项目
• 明确目标（编写items.py）：明确你想要爬取的目标
• 制作爬虫（spiders/xxxspider.py）：制作爬虫开始爬取网页
• 存储内容（pipelines.py）：设计管道存储爬取内容

入门案例

目标：

• 创建一个Scrapy项目
• 定义提取的结构化数据（Item）
• 编写爬取网站的Spider并提取出结构化数据（Item）
• 编写Item Pipelines来存储提取到的Item（结构化数据）

一、新建项目（scrapy startproject）

在开始爬取之前，必须创建一个新的Scrapy项目。进入自定义的项目目录中，运行命令：

scrapy startrpoject mySpider

其中，mySpider为项目名称，可以看到将会创建一个mySpider文件夹，目录结构大致如下：

下载来简单介绍一下各个主要文件的作用：

scrapy.cfg：项目的配置文件
mySpider/：项目的Python模块，将会从这里引用代码
mySpider/items.py：项目的目标文件
mySpider/middlewares.py：项目的管道文件
mySpider/pipelines.py：项目的管道文件
mySpider/settings.py：项目的设置文件
mySpider/spiders/：存储爬虫代码目录

二、明确目标（mySpider/items.py）

我们这里以抓取：http://www.itcast.cn/channel/teacher.shtml 网站里的所有讲师的姓名、职称和个人信息为例。

1.打开mySpider目录下的items.py

2.Item定义结构化数据字段，用来保存爬取的数据，有点像Python中的dict，但是提供了一些额外的保护以减少错误。

3.可以通过创建一个scrapy.Item类，并且定义类型为scrapy.Field的类属性来定义一个Item。

4.接下来，创建一个ItcastItem类和构建item模型（model）。

import scrapy

class ItcastItem(scrapy.Item):
    # define the fields for your item here like:
    # 教师名
    name = scrapy.Field()
    # 职称
    level = scrapy.Field()
    # 简介
    info = scrapy.Field()

三、制作爬虫（spiders/itcastSpider.py）

爬虫功能要分两步：

1.爬数据

在当前目录下输入命令，将在mySpider/spider目录下创建一个名为itcast的爬虫，并指定爬取域的范围：

scrapy genspider itcast "itcast.cn"

打开mySpider/spider目录里的itcast.py，默认增加了下列代码：

import scrapy

class ItcastSpider(scrapy.Spider):
    name = "itcast"
    allowed_domains = ["itcast.cn"]
    start_urls = (
        'http://www.itcast.cn/',
    )

    def parse(self, response):
        pass

我们也可以自行创建itcast.py并编写上面的代码，只不过使用命令可以免云编写固定代码的麻烦

要建立一个Spider，你必须用scrapy.Spider类创建一个子类，并确定了三个强制的属性和一个方法。

name = ""：这个爬虫的识别名称，必须是唯一的，在不同的爬虫必须定义不同的名字。

allow_domains = []：是搜索的域名范围，也就是爬虫的约束区域，规定爬虫只爬取这个域名下的网页，不存在的URL会被忽略。

start_urls = ()：爬取的URL元组/列表。爬虫从这里开始抓取数据，所以，第一次下载的数据将会从这些urls开始。其他子URL将会从这些起始URL中继承性生成。

parse(self, response)：解析的方法，每个初始URL完成下载后将被调用，调用的时候传入从每一个URL传回的Response对象来作为唯一参数，主要作用如下：
    1.负责解析返回的网页数据（response.body），提取结构化数据（生成item）
    2.生成需要下一页的URL请求。

将start_urls的值修改为需要爬取的第一个url

start_urls = ("http://www.itcast.cn/channel/teacher/shtml",)

或

start_urls = ["http://www.itcast.cn/channel/teacher/shtml"]

2.取数据

爬取整个网页完毕，接下来的就是取的过程了，首先观察页面源码：

<div class="li_txt">
    <h3> xxx </h3>
    <h4> xxx </h4>
    <p> xxxxx </p>

则parse函数代码如下：

    def parse(self, response):
        item = ItcastspiderItem()
        for each in response.xpath("//div[@class='li_txt']"):
            name = each.xpath("h3/text()").extract()
            level = each.xpath("h4/text()").extract()
            info = each.xpath("p/text()").extract()

            item["name"] = name[0].strip()
            item["level"] = level[0].strip()
            item["info"] = info[0].strip()

            yield item

Item Pipeline

当Item在Spider中被收集之后，它将会被传递到Item Pipeline，这些Item Pipeline组件按定义的顺序处理Item。

每个Item Pipeline都是实现了简单方法的Python类，比如决定此Item是丢弃而存储。以下是item pipeline的一些典型应用：

　　验证爬取的数据（检查item包含某些字段，比如说name字段）

　　查重

　　将爬取结果保存到文件或者数据库中

编写item pipeline很简单，item pipeline组件是一个独立的Python类，其中process_item()方法必须实现：

# -*- coding: utf-8 -*-

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html

import json

class ItcastspiderPipeline(object):
    def __init__(self):
        self.file = open("传智教师.json", "w", encoding = "utf-8")
        self.first_flag = True

    def process_item(self, item, spider):
        if self.first_flag:
            self.first_flag = False
            content = "[
" + json.dumps(dict(item), ensure_ascii = False)
        else:
            content = ",
" + json.dumps(dict(item), ensure_ascii = False)

        self.file.write(content)

        return item

    def close_spider(self, spider):
        self.file.write("
]")
        self.file.close()

启用一个Item Pipeline组件

为了启用Item Pipeline组件，必须将它的类添加到settings.py文件ITEM_PIPELINES配置，就像下面这个例子：

# Configure item pipelines
# See http://scrapy.readthedocs.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
    'itcastSpider.pipelines.ItcastspiderPipeline': 300,
}

分配组每个类的整型值，确定了他们运行的顺序，item按数字从低到高的顺序，通过pipeline，通常将这些数字定义在0-1000范围内（0-1000随意设置，数值越低，组件的优先级越高）

启动爬虫

scrapy crawl teacher

查看本地磁盘是有生成传智教师.json